Bayesian Plackett--Luce latent block models for ranked data

技術的要約：ランクデータのためのベイズ・プラックト・ルース潜在ブロックモデル

問題提起
評価者が一連のアイテムをどのように順序付けたかを記録するランキングデータは、ゲノミクスから消費者調査に至るまで、幅広い分野で普及している。標準的な確率モデル（プラックト・ルース（PL）モデルなど）は、単一のアイテム強度を仮定するか、評価者ごとの混合によって不均一性を許容する。しかし、既存の混合モデルの多くは、各評価者クラスター内で個別のアイテム強度ベクトルを保持している。このアプローチはアイテムの次元を圧縮できず、特にアイテム数が多い場合に、推定や解釈が困難な高次元のパラメータ空間を招く。さらに、これらのモデルは、異なる評価者集団にわたって類似した役割を共有するアイテムのグループを直接特定することができない。著者らは、評価者とアイテムの両方を同時に分割し、データの特性からこれらの分割の複雑さを推論できる、簡潔な共クラスター構造を明らかにするモデルの必要性に対処している。

手法
本論文では、評価者クラスターとアイテムブロックを同時にモデリングする、ベイズ・プラックト・ルース潜在ブロックモデル（PL-LBM）を導入している。

• モデル構造: モデルは、$L$ 個の評価者が $C$ 個のクラスターに属し、$n$ 個のアイテムが $K$ 個のブロックに属すると仮定する。特定の評価者クラスター $c$ 内では、ブロック $k$ に属するすべてのアイテムは共通の強度パラメータ $\lambda_{ck}$ を共有する。これにより、$C \times n$ 行列を必要とする標準的なPL混合モデルに対し、大幅に削減された $C \times K$ 強度行列が得られる。
• 事前分布: クラスター数（$C$）およびブロック数（$K$）を事前に固定することを避けるため、著者らは評価者とアイテムの割り当ての両方に独立したグネディン（Gnedin）分割事前分布を採用している。グネディン過程はギブス型事前分布であり、有限ではあるが未知の数のグループに正の確率を割り当てるため、データが観測されるにつれてグループ数が無限に増大することを防ぐ。
• 事後分布の計算: PL尤度は、強度パラメータを結合させる分母を含むため、直接的な共役更新が妨げられる。著者らは、潜在的な指数分布に従う待ち時間を導入するデータ拡張（Caron and Doucet, 2012に基づく）を利用し、これにより強度パラメータに対するガンマ共役性を回復させている。
• サンプリングアルゴリズム: 部分的に崩壊させたギブスサンプラー（partially collapsed Gibbs sampler）が開発された。これは、割り当てを更新するために強度パラメータを解析的に積分除去するものである。分割空間を効果的に探索し、ローカルモードを回避するために、サンプラーは分割・統合（split–merge）メトロポリス・ヘイスティングス移動を組み込んでいる。アルゴリズムには、PLモデルのスケール不変性を扱うための行正規化ステップが含まれており、強度を幾何平均スケールと正規化された相対強度に分解している。

主な貢献
本論文は、主に以下の3つの方法論的貢献を行っている。

1. ランキングのための共同共クラスター化: 評価者とアイテムを同時に分割する、ランキングデータに特化した潜在ブロックモデルを定式化している。アイテムのグルーピングが評価者クラスターごとに変化する入れ子状のモデルとは異なり、本モデルは単一のグローバルなアイテム分割を推定するため、評価者集団を比較するための共通の座標系を提供する。
2. 非パラメトリックな複雑さの推論: グネディン事前分布を用いることで、モデルはこれらの次元を固定したり恣意的に制限したりすることなく、データから評価者クラスター数とアイテムブロック数を直接推論する。
3. 分割・統合移動を用いた扱いやすいMCMC: 効率的なギブス更新を可能にする崩壊事後分布を導出している。これに分割・統合提案を組み合わせることで、分割空間のロバストな探索を実現し、計算コストを評価者数およびアイテム数に対して線形に抑えている。

結果

• シミュレーション研究: モデルは、信号強度（対数強度分離）、ランキングの深さ、およびグループのバランスが異なる合成データを用いて評価された。結果は、信号とランキングの深さが十分である場合、モデルが両方の潜在的分割を正常に回収することを示している。信号が弱い、あるいはランキングが浅い領域では、事後分布の質量は妥当な分割の上に分散しており、これはモデルの失敗ではなく、真の不確実性を反映している。また、研究では、真のブロック内のアイテムにわずかな不均一性がある場合でも、評価者の回収は安定していることが示されたが、ブロック内の変動が増加するとアイテムの回収は低下する。
• TCGA Pan-Cancer データへの適用: モデルは、1,247個の遺伝子にわたる2,617個の腫瘍サンプルからの上位500個の遺伝子発現ランキングに適用された。
  • 構造: 共同モデルは、19個のサンプルクラスターと259個の遺伝子ブロックを特定した。サンプルクラスターは、組織の起源（例：KIRC、GBM、LAMLに対する明確なクラスター）と概ね一致していたが、組織横断的なグルーピング（例：混合したLUAD/LUSCクラスター）も捉えていた。
  • 圧縮: モデルは1,247個の遺伝子を259個のブロックに圧縮し、中央値のブロックサイズは4であった。これにより、異なる腫瘍タイプにわたる共有遺伝子プログラムの特定が可能となった。例えば、特定の10遺伝子ブロックは、肺扁平上皮細胞および頭頸部扁平上皮細胞の両方のクラスターにおいて、最も高い強度を持つことが判明した。
  • 予測性能: 共同モデルは、評価者のみのPL混合と比較して、大幅に少ないパラメータ（14,964対4,921）を使用しながら、改善された条件付き予測適合度（より低いWAIC）を示した。
  • 生物学的解釈: 事後遺伝子スコアに対するランクベースの遺伝子セット濃縮解析（GSEA）は、生物学的な解釈を支持しており、特定のサンプルクラスターに対する異なるパスウェイの濃縮（例：特定のBRCAクラスターにおける細胞周期シグナル）を特定した。

意義と主張
著者らは、PL-LBMが、評価者のランキングにおける不均一性と、アイテムの扱いに伴う不均一性を分離することで、ランキングデータの簡潔かつ解釈可能な表現を提供すると主張している。共有されたアイテム分割を推定することにより、本モデルは標準的な混合モデルには欠けている、異なる評価者集団間でのアイテムの重要性の直接比較を可能にする。パンキャンサーデータへの適用は、組織駆動型のサンプル構造を明らかにしつつ、遺伝子レベルの不均一性を解釈可能なブロックへと圧縮する本モデルの能力を示している。著者らは、主な限界として、単一の共有アイテム分割とブロック内の等しい強度を仮定している点が挙げられる。これは、評価者クラスターがアイテムを根本的に異なってランク付けする場合や、ブロック内の不均一性が大幅に存在する場合には制限的となる可能性がある。しかし、本モデルは、自動的な複雑さの選択を伴う、ランク付きデータの共クラスター化のための堅牢な枠組みを提供している。